基于改进的YOLOv5-s塔筒缺陷检测方法研究

针对目前塔筒缺陷检测方法存在检测精度不高、易出现误检、漏检且大量依靠人工检测的问题,本研究提出一种基于改进的YOLOv5-s的塔筒缺陷检测算法。在Neck层中引入CBAM注意力机制,提高整体模型的特征提取能力。实验结果表明,改进后的YOLOv5-s塔筒缺陷检测模型可以有效检测其表面缺陷,识别精度P、召回率R、平均检测精度mAP分别达到了99.95%、99.55%、86.35%,比基线模型的平均检测精度提高了2.15%。

基于YOLOv5s的轻量化架空输电线路鸟巢检测网络

架空输电线路上的鸟巢侵占会对铁塔上的电力设备造成安全隐患,间接可能影响整个电力系统的稳定运行。针对目前架空输电线路鸟巢检测模型在复杂场景以及小目标场景下检测精度不高,检测效率低,模型复杂等问题。本研究提出一种基于YOLOv5s框架的轻量化架空输电线路鸟巢检测网络。首先在主干部分采用Fasternet重构YOLOv5s特征提取网络,降低模型复杂度,提高运行速度;然后在特征融合网络部分嵌入ConvMixer层,ConvMixer层的结构设计有助于在特征信息中更好的捕捉空间和通道的关系,提升模型对于小目标的检测能力;最后在特征融合网络部分引入ODConv模块,令送入检测头的特征图包含更多有效特征,提高模型对复杂场景和小目标的检测性能。实验结果表明,本文与基线模型YOLOv5s相比,计算量和模型体积分别减少了86%和72%,平均精度均值达到96.4%,检测速度达到104.2帧/s,验证了本文改进模型的有效性和可行性。

基于改进YOLOv5s的绝缘子定位检测及红外故障识别

在绝缘子定位检测和热故障识别中,由于绝缘子红外图像的背景干扰严重,导致平均识别准确率低,为了实现精确定位、检测绝缘子位置和提高识别其热故障的可靠性和准确性,提出了一种基于改进YOLOv5s的绝缘子定位检测和红外故障识别方法。首先,将全局上下文注意力机制与YOLOv5s Backbone部分的C3结构进行融合,提出一种新的结构——C3GC,增强了模型提取特征的能力,并且减少了其计算量。其次,将损失函数替换为VariFocal Loss,提升了模型的召回率,解决了模型漏检的问题。最后,通过引入转置卷积,动态地学习需要补充的参数,减少了模型在上采样过程中特征的丢失,提升了检测效果。实验与测试结果表明,改进后的方法与原YOLOv5s相比,定位精度提升了1.3个百分点,针对故障点的检测精度提升了4个百分点,平均精度提升了2.8个百分点,并且其精确率和召回率均有提升。

基于YOLOv5s的轻量化乒乓球目标检测算法

针对乒乓球目标检测方法易受环境、光线、速度等多种因素干扰导致精度和实时性不佳的问题,提出了一种基于YOLOv5s框架的轻量化乒乓球目标检测算法——SYOLO5(Shuffle-YOLOv5s)。首先,采用改进的ShuffleNetV2网络单元组合重构YOLOv5s主干网络,提高特征提取速度;其次,在特征融合的过程中引入高效通道注意力(ECA)机制,有效提升模型的检测性能;接着,采用SIoU Loss(S-Intersection over Union)作为定位损失函数提升网络的收敛速度和定位精度;最后,贴合乒乓球小尺寸的特点,采用双尺度目标检测,进一步提高模型推理速度。实验结果表明,所提算法与YOLOv5s相比,参数量和计算量分别减少了80%和60%,精确率提升了1.9个百分点。

基于YOLOv5算法的女性职业装款式自动识别方法

针对目前自动识别方法存在的图像背景处理繁琐、形式单一、轮廓特征提取复杂、单张图片只有一种款式可以识别等问题,运用了一种单阶段目标检测(YOLOv5)算法,实现了基于服装图片的职业装款式分类。以办公室女性职业装为例,首先建立一个包含衣裤套装、衣裙套装、连衣裙的3类女性职业装经典款式数据集并对图片进行标注,使用Mosaic数据增强操作提升模型的训练速度和网络的精度,选用CIOU_Loss做定位损失的损失函数,最终实现女性职业装3类款式的自动检测识别。实验表明,基于YOLOv5算法的款式识别方法可以实现对复杂背景下的女性职业装的有效分类,可为服装商品的可视化分类识别提供新的思路,提高服装产品相关调研的效率。

基于视觉识别的苹果采摘机械仿真

为了解决当前苹果采摘设备识别精度差、人工采摘效率低等问题,设计了苹果采摘机械,可以显著提高苹果识别精度,加快苹果采摘效率,使经济效益最大化。通过对苹果树生长环境及生长特性进行分析研究,依据深度学习原理,选择YOLOv5-s算法对苹果进行目标检测,研制适合苹果采摘的机械设备。采摘机械设备主要由识别装置、伸缩装置、分类装置、传送装置、采摘通道、主体钢结构、采摘机械手及动力源装置等组成。Python仿真实验验证表明:通过YOLOv5-s目标检测后苹果采摘机械对苹果的识别精确度在75%以上,与RCNN、SSD等图像检测模型相比,检测精度提高了10%以上,且占用内存小、识别速度快。

基于Web和深度学习的手语翻译系统的设计与实现

随着互联网和人工智能技术的快速发展,手语翻译系统的需求日益增多。相较于传统的人工手语翻译方法,通过人工智能技术结合Web方法来实现在线手语翻译,可以有效提升手语翻译的效率。该系统首先使用YOLOv5方法设计适合的手语翻译模型,并在相关数据集上进行验证,得到了良好的效果。然后使用B/S架构搭建网站系统、Spring Boot框架和React组件,实现快速开发,并根据现实场景设置功能模块。最后,将手语翻译模型嵌入Web网站,为听障人士和手语学习者提供一个学习、交流的平台,为听障人士提供便利。